DeepSurv
DeepSurv ir dziļā neironu tīklu pieeja izdzīvošanas analīzei, kas tieši no datiem apgūst personalizētas izdzīvošanas sadalījumus. Ieviesti Katzman et al. 2018. gadā, tie paplašina Koksas proporcionālo risku modeli, izmantojot dziļo mācīšanos, lai tvertu sarežģītas, nelineāras korelācijas starp kovariātēm un izdzīvošanas rezultātiem. Tas atrisina heterogēnu ārstēšanas efektu un laika līdz notikumam prognozēšanas modelēšanas problēmu augstdimensionālos apstākļos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Faraggi, D., & Simon, R. (1995). A neural network model for survival data. Statistics in Medicine, 14(1), 73–82. DOI: 10.1002/sim.4780140108 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). Deephit: A deep learning approach for dynamic survival analysis. AAAI Conference on Artificial Intelligence, 32(1). link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/lv/survival/deepsurv
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Paātrinātās atteices laika (AFT) modelisDzīvildze↔ compare
- Koksas proporcionālās bīstamības regresijaDzīvildze↔ compare
- Veibula parametriskā izdzīvošanas regresijaDzīvildze↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →